在 Lightning AI 上定制训练 Ultralytics YOLO 模型

无论你是经验丰富的 AI 开发者，还是刚开始探索视觉 AI，拥有可靠的环境来运行和试验计算机视觉模型（如 Ultralytics YOLO11）都至关重要。环境是指设计、测试和部署 AI 模型所需的工具、资源和基础设施。

虽然许多在线平台都提供各种 AI 工具，但其中不少平台无法为整个 AI 生命周期提供统一环境，涵盖从数据准备到模型部署的各个环节。Lightning AI 是一个一体化 AI 开发平台，能够简化从数据准备到部署的整个流程。

在 YOLO Vision 2024 (YV24) 上，简化 AI 开发的重要性得到了充分体现。这场由 Ultralytics 主办的年度线上线下混合活动聚焦 AI 和计算机视觉领域的进展。Lightning AI 首席技术官 Luca Antiga 发表了题为“在 Lightning Studios 上全面投入 YOLO”的主题演讲，介绍了如何借助 Lightning AI 快速、顺畅地训练 Ultralytics YOLO 模型，同时避免陷入复杂的技术细节。

本文将深入介绍 Luca 演讲中的关键要点，内容涵盖计算机视觉在现实世界中的应用，以及使用 Lightning AI 训练和部署 Ultralytics YOLO 模型的现场演示。

使用 Lightning AI 和 Ultralytics YOLO 简化 AI 开发#

Luca 在主题演讲开始时分享了自己的看法，并表达了对 YOLO 模型在各行各业影响力的认可。他强调了 YOLO 模型在制造业和农业等领域的应用，并表示：“我很认可 YOLO 对开发者社区的影响——这些人需要解决实际问题，而这与我非常相关。”

随后，他结合 AI 训练日益受到关注的趋势，介绍了 Lightning AI。这是一个旨在让所有人都能更快、更简单、更轻松地开发 AI 模型的平台。它尤其适合支持 AI 的迭代改进，帮助开发者不断完善和改进模型。

图 1. Luca Antiga 在 YV24 远程介绍 Lightning Studios。

他还指出，Lightning AI 与 PyTorch Lightning 类似，后者是一个简化 AI 模型训练流程的框架。不过，两者的区别在于，Lightning AI 是一个功能更全面的平台，为整个 AI 开发流程提供更丰富的工具和功能，而不只是训练 AI 模型。

Lightning AI 的重要组成部分之一是 Lightning Studios，它提供直观的工作区，用于设计、训练和部署 AI 模型，让整个工作流更加顺畅、高效。你可以把 Lightning Studios 看作运行在云端、可复现的 AI 开发环境。例如，它提供类似 Jupyter Notebook 的环境，可以复制并分享给其他开发人员，从而促进协作。

随后，Luca 进一步介绍了 Lightning Studios 的优势，并表示：“现在，复现你的环境不再是问题。如果你需要从 CPU [中央处理器] 机器切换到 GPU [图形处理器] 机器，或者在一千台机器上启动训练，你的环境都能持续保留。”

为训练和开发设置 Lightning Studios#

接下来，Luca 演示了如何快速开始使用 Lightning Studios。只需点击几下，你就能打开一个新的 Studio，并使用 Jupyter Notebooks 和 VS Code 等工具和环境；所有内容都已设置妥当，可以立即开始编码。他还演示了在不同机器之间切换有多简单。如果当前任务需要更强的算力，你可以轻松地从 CPU 切换到性能更强的 GPU。GPU 只会在使用期间保持运行，否则就会进入休眠模式，帮你节省额度。

Luca 还谈到了 Studio Templates 的优势。它们是由社区预先制作的 AI 编码环境，你无需进行任何设置就能使用。为 AI 项目搭建环境可能很耗时，而 Studio Templates 可以帮助提高效率。这些环境已预装 AI 项目所需的一切，例如依赖项、模型权重、数据和代码等。

图 2. Luca 讲解 Studio Templates 的含义。

在 Lightning Studios 上训练 Ultralytics YOLO 模型#

随后，Luca 开始了现场演示，展示如何使用 Lightning Studio 训练 Ultralytics YOLO 模型。他打开了一个 Studio Template，其中已安装所有依赖项，并启动了一台配有四个 GPU 的机器，以加快训练流程。谈到数据时，他表示，你可以选择将数据直接存储在机器上，也可以从云端流式传输数据，从而让训练流程更快、更高效。

几秒钟后，机器就准备就绪，Luca 随即快速启动了训练。在演示过程中，一个小问题导致机器意外停止，但 Lightning Studios 从中断处恢复了训练，确保进度没有丢失。Luca 指出，这种可靠性有助于保障工作流顺畅，即使遇到意外中断也不例外。

继续演示时，他展示了如何使用 TensorBoard 轻松监控训练进度。TensorBoard 是一款能够实时可视化机器学习指标的工具。Lightning Studio 让这一过程更加简单：它会自动生成 URL，让你或同一工作区中的队友无需额外设置就能查看 TensorBoard 视图。这简化了协作，也让所有人保持同步。

图 3. 在 Lightning Studios 上训练 Ultralytics YOLO 模型的流程图。图片由作者提供。

使用 LitServe 部署 Ultralytics YOLO 模型#

演示结束后，Luca 将演讲重点转向 Lightning AI 最近推出的新项目 LitServe。LitServe 简化了将训练好的模型转变为可供他人使用的可扩展服务的流程，无需复杂的部署管道。它旨在以最少的工作处理从模型打包到部署的所有环节。

为了实时展示这一点，Luca 使用预训练的 Ultralytics YOLOv8 模型为观众进行了快速演示。他只用了几秒钟就创建了一个简单的 API，用来处理传入请求并返回图像预测结果。这意味着任何人都可以向这个 API 发送图像，并几乎立即获得计算机视觉任务（如目标检测）的结果。在幕后，Ultralytics YOLOv8 模型以服务形式部署，能够高效处理请求、处理图像并以极低延迟返回预测结果。

图 4. Luca 在 YV24 上展示 Lightning AI 的 LitServe。

他对一张披萨图像进行了推理，Ultralytics YOLOv8 成功识别出披萨、勺子和餐桌等物体。他解释说，由于“冷启动”，第一个请求耗时会稍长；系统预热后，后续请求的处理速度就会快得多。

随后 Luca 问道：“如果我想让外部用户也能访问这个模型，该怎么办？”他介绍了 API Builder 插件如何轻松将模型转化为可投入生产的在线服务。借助自定义域名、增强安全性和简单集成等功能，你可以轻松让任何人访问你的模型。

使用 Lightning Studios 的主要优势#

在演讲的最后，Luca 谈到了 Lightning Studio 在 AI 开发方面的可扩展性和灵活性。他提到，该平台可以在多台机器上训练模型，扩展至 10,000 个节点，并支持容错训练，在任何中断后都能自动恢复。

例如，如果 GPU 集群上的训练任务因硬件问题或服务器重启而中断，Lightning Studios 会确保流程从停止的位置准确恢复。因此，它非常适合大型 AI 项目，例如在 ImageNet 或 COCO 等大型数据集上训练深度学习模型。

以下是 Luca 提到的 Lightning Studios 其他主要优势：

• 每月免费 GPU 额度：用户每月可获得 15 个免费 GPU 额度，额度会自动补充，让你无需额外付费即可进行试验和开发。
• 增强协作：Lightning Studio 的共享团队空间和可复现环境让团队成员能够协同工作，确保不同项目保持一致并高效推进。
• 灵活的实例选项：你可以灵活选择可中断或不可中断实例，让用户通过选择可中断实例来节省 GPU 机器的使用成本。
• 与现有工具集成：该平台可与 SSH（安全外壳）和 VS Code 等远程开发工具集成，让你可以灵活地在本地或云端工作。

要点#

Luca 在 YV24 上的主题演讲强调了 AI 与 Ultralytics YOLO 模型、Lightning AI 等工具的结合，正在改变我们解决实际问题的方式。借助这些工具，开发者可以更轻松地训练和部署专为解决各行各业特定问题而设计的模型。

他展示了 Lightning Studios 如何让整个开发流程更快、更易用，使开发人员能够轻松创建强大的解决方案。在 Lightning AI 等平台的核心，计算机视觉模型正在改变 AI 解决方案应对挑战的方式。尤其是借助 Ultralytics YOLO11 及其后继版本 Ultralytics YOLO26，开发人员可以构建真正产生积极影响的解决方案。

加入我们的社区，及时了解 AI 及其实际应用。查看我们的 GitHub 代码库，探索自动驾驶汽车中的 AI和医疗保健领域的计算机视觉等领域的创新。